Pandy .wartości
Składnia:
Składnia do uzyskania reprezentacji Numpy'ego w ramce danych podano poniżej:
# Ramka danych.wartościPrzykład nr 01:
Aby wykonać te przykłady, musimy zainstalować narzędzie Spyder. Po instalacji tego narzędzia piszemy niektóre kody, które pokazano również poniżej. Najpierw musimy zaimportować „Panda” jako „PD”. Python jest instruowany, aby zaimportować bibliotekę przetwarzania danych Pandy do istniejącego kodu według sekcji importu pandas kodu. Sekcja PD kodu instruuje Pythona, aby przypisał pandy skrót PD. W rezultacie możesz użyć funkcji pandy, wpisując tylko PD. Następnie tworzymy „DataFrame” poniżej. Przypisujemy „PD.DataFrame ”do zmiennej„ DF ”. Umieszczamy nazwę jako nazwę kolumny i umieszczamy niektóre nazwy dla tej kolumny.
Tutaj dodamy „John”, „Henry”, „Peter” i „Smith” do tej kolumny „Nazwa”. Potem pojawia się kolumna „wiek” i dodajemy wiek wszystkich tych, które są „45”, „25”, „60” i „33”. Trzecia nazwa kolumny to „Pay” tutaj. Dodajemy płatność wszystkich jako „12000”, „35000”, „15000” i „23500”. Następnie wykorzystujemy instrukcję „print ()”, która drukuje tę ramkę danych w wierszach i kolumnach. Teraz zapisz ten kod przy wybranej nazwie, a rozszerzenie pliku dla tego pojawi się automatycznie.
Aby uzyskać wynik tego kodu, po prostu naciśniemy „Shift+Enter” lub możemy również użyć przycisku Uruchom w tym narzędziu „Spyder”. Po naciśnięciu przycisku Uruchom z paska zadań możemy uzyskać wyjście na terminalu narzędzia „Spyder”. Następnie wyjście renderuje na ekranie. Na danym obrazie można zauważyć, że dane są drukowane w rzędach i kolumnach. Ale chcemy wydrukować te dane w reprezentacji Numpy. W tym celu dodajemy jeszcze kilka linii w powyższym kodzie, które podano również poniżej tego wyjścia z ekranu wyjściowego.
Aby uzyskać reprezentację „Numpy”, używamy atrybutu „Wartości” o nazwie DataFrame, którą stworzyliśmy powyżej. Używamy zmiennej o nazwie „RSLT” i przypisujemy „DF. Wartości ”do tej zmiennej„ RSLT ”, aby zapewni reprezentację Numpy'ego w ramce danych. Do drukowania tej reprezentacji „Numpy” używamy tutaj instrukcji „print ()”.
Zrzut ekranu pokazuje, że dane są reprezentowane jako „Numpy”. Otrzymujemy tę reprezentację „Numpy” za pomocą atrybutu „Wartości” w naszym kodzie. W tej reprezentacji Numpy nie ma etykiet danych danych.
Przykład nr 02:
Teraz wykonujemy dla Ciebie kolejny przykład i ponownie używamy atrybutu „Wartości” w tym przykładzie. Zaczynamy nasz kod od importu „Panda” jako „PD”. Pomoże nam to wykorzystać funkcję pandy, po prostu umieszczając „PD”. Następnie mamy zmienną o nazwie „DF1” i zainicjujemy ją z ramką danych, wpisując „PD.Ramka danych". Tworzymy cztery różne kolumny dla tej formy danych jako „Nazwa”, „Age”, „Pay” i „Profession”. Umieszczamy niektóre nazwy w kolumnach „nazwy”, a także używamy słowa kluczowego „Brak”. Ten „brak” jest wykorzystywany do definiowania wartości zerowej. Dodajemy dwa nazwy „Aliies” i „Peter” oraz dwa słowo kluczowe „Brak” w tej kolumnie „Nazwa”.
Następnie mamy „wiek”. Dodajemy dane wieku jako „55”, „64” i „39”. Używamy również kolumny „Brak” dla tej kolumny „wiek”. Dodajemy „25000”, „55000”, „28000”, a także jedno słowo kluczowe „Brak” dla kolumny „Pay”. Potem pojawia się „Zawód”. Mamy „IT Professional” i „SE Engineer”, a pozostałe dwa jako „Brak”. Najpierw drukujemy ten „DataFrame”, który pojawi się w formie wierszy i kolumn, a następnie stosujemy atrybut „Wartości” do „DF1” i przypisujemy to do „DF2”. Piszemy to jako „DF1.wartości ”i zainicjuj z tym„ DF2 ”. Teraz drukujemy ten „DF2”, a zobaczysz, że zwraca one reprezentację Numpy tej formy danych i usunie etykiety, które dodaliśmy w DataFrame. Zapisz ten kod, a następnie możemy uzyskać wynik tego kodu.
Naciskujemy „Shift+Enter”, a to dane wyjście jest renderowane na ekranie terminalu. Tutaj możemy łatwo zobaczyć dane w ramce danych, która pojawia się w rzędach i kolumnach. Etykiety są również wspomniane, a poniżej dane są renderowane w reprezentacji Numpy, a etykiety są usuwane, ponieważ wykorzystaliśmy atrybut „Wartości” o nazwie „DataFrame”. Tutaj obserwujesz, że renderuje „nan” za „brak”.
Przykład nr 03:
Teraz mamy trzeci i ostatni przykład, w którym wykorzystamy atrybut „wartości”. Ponownie importujemy „pandy” jako „PD”. Powód importowania „pandy jako PD” jest już omówiony w powyższych kodach. Tworzymy „DataFrame”, umieszczając „PD.Ramka danych". Przypisujemy ten „PD.DataFrame ”do zmiennej, a nazwa tej zmiennej to„ DF3 ”. Dodajemy kilka danych w DataFrame.
Jak omówiliśmy, dane te będą renderowane w formie wierszy i kolumn. Dodajemy „David”, „John”, „550” i „900” w pierwszym rzędzie DataFrame. W drugim rzędzie dodamy również „ALIES”, „William”, „400” i „900”. W trzecim rzędzie dodajemy „Emma”, „Noah”, „655” i „900”. Na koniec dodajemy „Alexander”, „Thomas”, „700” i „900”. Teraz wykorzystujemy słowo kluczowe „wartości” do uzyskania reprezentacji Numpy. Zainicjujemy zmienną „wynik” i zainicjujemy ją za pomocą „DF3. wartości ”. Następnie chcemy wydrukować tę numpy reprezentację DataFrame, którą otrzymujemy po zastosowaniu tego atrybutu „wartości”. Używamy więc „print ()” i przekazujemy „wynik” jako parametr tej funkcji. Zwróci reprezentację „Numpy” na terminalu wyjściowym. Teraz zapisz ten kod.
Zrzut ekranu, który podano poniżej, to reprezentacja Numpy. Otrzymujemy to wyjście, po prostu naciskając „Shift+Enter”, o których omówiliśmy również powyżej.
Wniosek
Przedstawiliśmy ten artykuł, aby wyjaśnić koncepcję atrybutu „wartości pandy”. Wyjaśniliśmy tę koncepcję szczegółowo, aby łatwo zrozumieć, jak użyć atrybutu „Wartości”. Omówiliśmy, że atrybut „Wartości” jest wykorzystywany do uzyskania reprezentacji Numpy DataFrame. W reprezentacji Numpy etykiety są usuwane. Otrzymujemy tylko wartości, a nie etykiety. W tym artykule zbadaliśmy wiele przykładów, a także szczegółowo wyjaśniliśmy wszystkie wiersze kodów. Dostarliśmy wyjście wszystkich kodów tutaj, a także kodów.